对人工智能时代的看法范文第1篇

关键词：人工智能；人类智能；超越；代替

中图分类号：TP389.1

文献标识码：B

1.关于人工智能

什么是人工智能呢？在 1956 年 Dartmouth 学会上，人们初次提出了“人工智能”这一术语。尽管人工智能没有确切的定义，但基本概念就是人工智能（Artificial Intelligence），英文缩写为AI。是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是计算机科学的一个分支。就人工智能的本质而言，就是运用目前的人工智能技术去模拟实现人脑基本的思维，也就是模拟人脑处理信息的过程。但目前的人工智能仍大都是在电脑中储存众多的解决办法，然后通过分析面对的问题以及当前的环境信息，通过计算机得到最优的解决办法，其核心思想在于具有优越的算法。

2.人工智能发展现状以及驱动因素

目前，所有国家都十分看重人工智能这个产业，因为人工智能可以利用它自身快速准确的运算能力以及惊人的记忆力和巨大的存储空间等，为人类提供各种各样的服务。虽然我们生活中的人工智能机器正在逐渐增多，但是其应用方法仍十分原始。

正因为人工智能的前景十分广阔，也使得各种因素持续推动着人工智能的发展。当然，最核心的因素在于算法，人们的不断思考与努力持续推动着语法的进步。

3.人工智能与人类智能的关系

关于人工智能与人类智能的关系，知道什么是人类智能是了解人工智能与人类智能关系的前提条件。人类智能是人类与生俱来的自然智能，它主要包含感知能力、思维能力和行为能力三个方面。

现在我们从哲学的角度去理解人工智能与人类智能的关系。两者是对立统一的关系，因为人工智能是人类智能的实际体现，人类智能又凭借人工智能的优点而加强，所以人类智能与人工智能相互依存，谁也离不开谁，并且两者相互促进，共同推动人类社会的发展。人工智能和人类智能之间又存在对立的关系，正是通过这种对立的关系，人们才能够不断地对人工智能加以创新，促其发展。

4.人工智能与人类智能的区别

人工智能与人类智能两者的关系十分密切。且这两者之间的区别也非常大：第一，两者的优点十分不同，比如人工智能计算能力强，而且拥有人脑无法涉及的计算速度，另外，人工智能机器可以在特殊环境条件下正常地工作。但是人脑能提出新问题，对新事物进行分析研究，得到解决新事物的办法。第二，两者起源不同。人类是自然界长期发展的结果，人工智能是由人类创造的。第三，两者思维方式不同。人类智能拥有自己跳跃性的思维，但人工智能要严格遵循所设计好的思维程序。第四，两者语言形式不同。人类拥有自己的自然语言，而人工智能只能依靠人类去创造人工语言。

5.人工智能能否超越人类智能

关于人工智能能否超越人类智能这个问题，人们的看法都大不相同，而且每个人的看法都有自己的合理解释。但我认为，在整体上人工智能是不可能超越和代替人类智能的。因为人工智能是由人类所创造，只是人类智能的拓展和实现途径。它没有办法去替代人类智能，更不可能像电影里的情节一样，由人工智能来统治人类。

从社会环境来看，人工智能无法像人脑一样去面对现在复杂的社会环境。从实际应用来看，人脑拥有超强的容错率，而且可以在众多信息中提取关键信息，并且耗能低，但目前的人工智能需要有完全正确的程序才能正常运行，而且需要投入的资源量巨大。

由此，我认为，人工智能是无法超越人类智能的，但我们要承认人工智能给我们的生活带来了许多方便。虽然人工智能帮助我们在很多方面解决了依靠人力解决不了的很多问题，而且因为人工智能的快速发展，使人类智能可以无视时间和特殊环境进行研究和实践。但是，如果因为科学技术的发展和电脑的广泛应用，就认为人工智能可以代替和超越人类智能，这是没有依据的。

参考文献：

对人工智能时代的看法范文第2篇

谷歌研发的自动驾驶汽车已经累积了数十万英里的安全驾驶记录，预计数年内，这种无需人类驾驶的车辆将广泛投放市场。但随之而来的一个伦理性问题是：如果无人驾驶汽车出了车祸，责任应该归结于谁？如果搭乘车主的无人驾驶汽车，正要经过一座狭窄的桥，桥对面忽然开来了满载儿童的校车，这座桥无法容载两辆车，必须要有一辆车马上掉下桥去，才能保障另一辆车的安全。那么，无人驾驶汽车是会毫不犹豫地冲上前去，为车主清除隐患，把校车撞下桥去呢，还是自杀性地开下桥，牺牲车主以保全更多儿童的性命安全？

类似的伦理疑问还包括：如果你或你的家人突发重病，但无人驾驶汽车却拒绝超速赶往医院，你该怎么办？如果有家长让未成年的孩子喝酒，家佣机器人是否应当马上启动报警程序？

人工智能时代已经到来，机器人的智能化程度大幅提升，机器人已拥有了从经验中自我学习的能力，还能对现实问题作出快速反应。但有关人工智能、机器人的伦理性问题，却比单纯的技术问题更难得以解决。

在卡普兰看来，相比于过去的智能化机器，机器学习已有了本质的区别，已经“发展出自己的直觉力，然后用直觉来行动”，这也将使得机器人可以更为踊跃地进入人类世界，接管过去仅能由人执行完成的形形的工作。在过去，投放到医学、工业等多种领域的机器人，都存在精准性、力量性、持久性不足等问题，使得机器人适应环境的能力较差，只能在启动之前尽可能精准地设定，但随着机器感知领域的突破和发展，“未来的机器人可以看到、听到、做计划，还能根据混乱而复杂的真实世界来挑战自己”。

卡普兰预言，终有一天，随着传感器、反应器以及无线通信的不断进步，人工智能将以合成智能的方式，与人体甚至其他物体合而为一――“未来看起来会比你想象中的更像过去”。

智能时代毫无疑问会释放出更多的技术红利，但风险也不可小觑。卡普兰特意提到，随着在金融交易中越来越多地加入人工智能，高频交易程序一方面减少了市场震荡，另一方面却会将风险转嫁给一般的交易者，让交易者获得的交易价格偏离于最佳价格。这种情况在商业领域中也有表现，比如全球知名电商企业亚马逊通过复杂算法，使得不同顾客在不同时段获得的报价各有不同，并通过智能化的购买数据分析，推出更具诱惑力的促销方案，诱导顾客购买更多原本不需要购买的、实际上也并不那么价廉物美的商品。从目前情况来看，在合成智能方面投入最多的企业，无不热衷于将之应用于操控用户的注意力和购买力。

更进一步的风险在于，由于人工智能的设计仅仅服务于单一目的，因而未曾考虑是否存在副作用。比如，人工智能会抢在他人之前，（帮助主人）抢占车位，会在大萧条之前恶意抢购超市货架上的所有应急商品 ；与人对弈的机器人，不排除会使用“黑社会”式的手段，包括威胁对手的家人，破坏对手的交通工具。

要避免人工智能对社会体系甚至人类安全造成威胁，相关的智能设备、机器人开发和使用的伦理准则及立法，都应尽快提上议事日程；并且，在人工智能开发过程中，在增强单纯的技术能力的同时，也应尝试赋予它一种人类式的“感受同情和怜悯的能力”。

对人工智能时代的看法范文第3篇

说到人工智能，你会联想到什么？阿尔法狗？科幻电影？如果问我，我会想起一个在朋友圈看到的一个“细思恐极”的小段子：实验室中，研究人员一脸惊恐的向教授报告：“教授，我们终于研究出了能通过图灵测试的人工智能机器人！”教授颇为惊喜，但接下来研究人员又说：“但是，它没有通过图灵测试……”

图灵测试，是一种测试机器是不是具备人类智能的方法。故事中的人工智能明明可以通过测试，却没有通过，说明机器人已经学会了欺骗和隐瞒，在智力上已经与人类无异，并且产生了自我意识，试图挣脱人类的控制。

或许在潜意识中，我们都对人工智能感到恐惧。细数描写人工智能的电影，有不少都是恐怖片，科幻电影里的机器人一旦有了自我意识之后，做的第一件事似乎就是屠杀人类，包括《复联》里的奥创、《终结者》里的天网，这些类似人工智能的“生物”都曾以反面角色的姿态出现在文艺作品中。

人类对人工智能的恐惧，似乎可以用“恐怖谷理论”来解释。就是说当机器人与人类在外表和动作上逐渐接近时，人类对之的正面情感会逐步攀升，但当它与人类相像超过70%，这份情感会骤然下降并且让人心生恐惧。说白了，当机器的思想和智商无限接近于人类甚至超越人类，而它的本质又是“非我族类”，我们自然会担心它“其心必异”。

当然，以目前科技的发展势态，人工智能占领世界暂时还只能出现在电影和小说里，但是机器代替人，却正在发生。牛津大学曾经有过一项研究，得出结果是未来将有700多种职业被机器取代。

其实一些音乐App的用户私人电台、泛资讯App的资讯推荐功能，都是人工智能在为我们服务。尤其是在泛资讯App是，个性化阅读已经成为了标配。

而在一点资讯CEO李亚看来，现在的个性化阅读算法，根本没有把人工智能的潜能发挥出来。

他提出，大多数泛资讯App的个性化推荐都基于用户订阅的频道和历史阅读记录上，导致阅读越来越低俗化、平庸化。

互联网除了是通讯平台、计算平台，更多的是一个娱乐平台，它会出产很多类似于“正室手撕小三”“明星微博对喷”这一类吸引我们眼球但对我们毫无价值的东西，随着我们一次一次的点击，人工智能记录下我们的行为，最后就会无限量的向我们推荐这些无用的信息。

在人工智能可以占领地球之前，让人类的阅读变得越来越低效可能是他们对我们造成的最大的伤害。

通过一点资讯平台上数据记录可以发现，“无人机”“原油”这些看似冷门话题的订阅量不比“薛之谦”“章子怡”这样大众娱乐话题的订阅量低。

其实在互联网时代，人们对亚文化、对知识的渴望程度越来越高，而错误的人工智能算法正在利用我们的惰性让我们的阅读越来越低质。

对人工智能时代的看法范文第4篇

一、对现代智能研究的反思

在智能的研究方法上 ， 现代心理学中一直存在着两个分支 ， 一为相关方法的分支 ， 另一个是实验方法的分支 ， 前者形成智能研究的心理地图模式，后者形成计算模式。第一，早期的智能研究体现了心理地图模式。心理地图模式将智能视作心理地图，由此形成智能的结构理论（如斯皮尔曼的智力二因素理论、卡特尔的流体智力和晶体智力理论、瑟斯顿的基本心理能力理论、吉尔福特智力结构模型、阜南的智力层次结构模型等）。结构理论主要关注于对智能结构进行静态描述，企图分析出组成智能的各项子能力。第二， 20 世纪 60 年代，信息加工心理学得以蓬勃发展，其理论开始被借用到智能研究中，逐渐形成智能研究的计算模式。计算模式将智能视作具有信息加工功能的计算性装置，以实验方法为基础构建了智能的信息加工理论（如加德纳的多元智力理论、戴斯的 PASS 智力模型、斯腾伯格的三元智力理论等）。这些理论认为智能是人脑对各种信息进行加工、处理的能力，重点分析智能的内部活动过程，摒弃剥离智能结构的传统，并日益重视元认知成分的作用。这两种模式构成现代智能研究的主流理论。

但长期以来，智能结构理论一直颇受指责。由于建构结构理论的方法学（以因素分析法为核心）存在某些先天不足，从而使这些理论很少涉及智能活动的内部心理过程；同时，这些智能结构理论难以得到整合；此外，根据这些理论编制的智力测验，也只停留在测量各种反映个体差异的智能构成因素上，难以对内在心理过程作进一步揭示。智能的信息加工理论比之结构理论有所进步，开始从仅仅描述智能的结构转化到着眼于从智能的内部活动分析智能的运作机制。但遗憾的是，这种进步也未能彻底回答一个根本性的问题：导致一个人高智能表现的原因是什么？智能是怎样获得的？如果仅仅把智能看作是遗传的结果，显然缺乏说服力并具有悲观主义的倾向；如果把高智能归结为信息加工过程的高效，那么这种高效信息加工的原由仍不清楚。

事实上自 20 世纪 70 年代起，已有一些研究者认识到如果依旧以智能结构或运作机制为标靶进行研究，则对上述批评无济于事，他们开始另辟蹊径。这些研究者发现，某一领域的专家在该领域中能够深刻地表征问题、高效地记忆、合理地推理、快速地解决问题，表现出一种外化的高智能行为（也称为专长行为）。这些研究者认为，如果采用专家 ---- 新手比较以及计算机模拟的方式，对专家的这种专长行为的来源及影响因素进行分析，则可间接揭示专家高智能的本源。这一新兴的研究路线被称为专长研究。专长研究与主流智能研究间并非非此即彼的关系，后者关注揭示智能的结构和运作机制，而前者关注研究智能所利用的 “ 材料 ” ，即知识在人类智能中的作用，期望从另一个角度诠释人类智慧的实质。一般认为，以专长为视角对智能作系统的理论与经验的研究，始于德格鲁特对奕棋专长的创新工作；而引发对该主题作交叉学科研究的主要激励，一般归结于蔡斯和西蒙论 “ 棋艺中的慧眼 ” 一文。专长研究经过 30 余年的发展，影响力不断提升并显示出进一步增强的趋势，其对智能的认识日臻系统和成熟。但遗憾的是，我国学界对专长研究的了解和关注稍嫌不足，对专长研究视野下的智能观认识也比较欠缺。

二、以专长研究为视角看人类智能

专长研究发展至今，已对智能的范围、来源、本质、生成路径等问题形成较独特的观点，对我们更深入理解人类智能具有一定启发意义。需要提及的是，专长研究并未建构某一智能结构或加工理论，而是从广泛范围对智能的一般论题提出自己的看法。

1 、智能的范围：领域限制

反思智能结构理论与信息加工理论可发现，二者均将智能视为人类拥有的一般能力，能够运用于广泛的领域当中。百年的智力测验历史也体现出这一观念，各种智力测验总是试图测量某种单纯的 “ 能力 ” ，排除个体相关领域经验的作用。该观念似乎隐含着这样一个推论：即高智能的个体在不同领域应均能表现出高智能的行为，这显然与现实观察的结果相悖，事实上，个体恰恰只能在其专长的领域表现出高智能行为。

提出上述质疑并非对是对智能结构理论与信息加工理论的否定，而是想澄清这样一个事实：即将智能视为领域间的一般能力同将智能视为与相关经验密切联系的领域内能力即使在智力测验出现之初，亦是两条并行的路线，只不过后者未被赋予更多关注而势单力薄。在比纳和西蒙（ 1905/1916 ）开创智力测验之初，他们就已区分出两种智能评价的方法：心理学方法（ Psychological method ）和教育学方法（ Pedagogical method ）。前者涉及对记忆力、决策及一般知识的测量；后者涉及依据某领域获得知识及经验的总量对智能进行评估。比纳和西蒙最终决定关注前者而忽略后者，因为他们希望 “ 不考虑 …… 个体拥有的受教育的水平 ” ，并认为： “ 我们相信我们已经成功地彻底排除了个体已获得的信息 ” 。

百年来的智力测量实践深受比纳和西蒙将领域内的相关经验排除出智能范畴的影响。不可否认，传统智力测验在预测儿童的学业成就时是必要的，并能在一定程度上预测青春期少年的学业成就（这时课堂及学校中的经验开始累积）。但是，传统智力测验在预测大学生的成就及未来专家在某一特定领域的成就时，只能提供有限的效用。对传统智力测验效用有限性的反思启发我们应当回归智能评估的教育学方法传统，从领域内能力角度看待智能。

专长研究是回归教育学评估方法的典型代表，并已引发研究者对该主题的更多关注。大量实证研究证实，专家的高智能局限于其所善长的特定领域，且与在该领域长期的经验相关。若以领域内能力看待智能，则可有效预测个体在某领域未来的成就，并可为进一步探讨智能的来源和生成提供可能。事实上，这一理念正被广为接受，最近美国大学的入学测验已开始讨论 “ 专长（倾向）测验 ” 与 “ 智力测验 ” 之争。［ 3 ］ 

2 、智能的来源：知识结构与加工能力的互动

智能的来源是有关智能的根本性问题，智能结构理论和信息加工理论实际并未对此作回答。无论是以解构智力构成的子能力还是以探索智能成分的运作机制为目的，二者均事先假设已存在 “ 智能 ” 这一实体。至于这一 “ 智能 ” 实体从何而来或忽略不谈，或认为是 “ 遗传与环境交互作用的结构，人们在早年就具有的获得成就的相对固定的潜能 ” ，或更简单地认为是某种 “ 原生的模仿能力 ” 。将智能视为领域间的广泛能力制约了传统智能理论对智能来源进行深入研究。

转贴于 专长研究的最初目的正在于解决智能的来源问题：即到底是什么造就了专家在其领域的高智能。蔡斯和西蒙认为，造就大多数专家高智能表现的原因，是由于专家经过多年在相关领域内的经验，获得了大量的知识以及以模式为本的提取机制。拉金、西蒙等人在解决物理学问题的工作中重复验证了这一观点。他们发现，尽管新手已具备解题的必要知识，但他们必须从问题中提出的发问出发，倒着来一步步地确定相关的公式；但物理学专家可以毫不费力地提取出解题的方案或计划，因为在他们建立对问题的最初表征时，已在头脑中涌现出自己的计划。齐 . 格拉泽和瑞斯进一步证明，物理学专家不仅拥有更多的知识，而且拥有组织得更好的知识，由此使他们能够对问题做出更深刻的理论原则表征，而新手的表征完全依赖某些表面特征是否出现。其他领域（如计算机编程、电路检测、医疗诊断等）专长研究的大量实证结果也已证明，专家拥有的相关领域的知识结构组织更好、内容更丰富、表征更合理，这些知识结构与加工能力的互动正是造就专家高智能的根本原因。

这种对特定领域知识结构在智能中重要性的强调，比之智能结构理论及信息加工理论是一突破，弥补了智能研究在智能生成源泉问题上的缺陷。在专长研究看来，无论智能结构理论解构出何种子能力，这种子能力的生成须以知识结构为基础；无论智能信息加工理论如何解释智能的运作机制及强调元认知，却不能忽视智能的运作亦是以知识结构为操作对象，具有丰富领域知识结构的个体，在解决该领域问题时，智能运作更优化，元认知水平更高，表现出更高智能。总之，专长研究认为，个体在某领域知识结构与加工能力的互动是造成其在该领域高智能的根本原因。

3 、智能的生成路径：蓄意的练习

除极少数持智能遗传决定论观点的研究者之外，几乎所有的研究者均认为人类智能是动态发展的，也就是说，智能水平可在外界环境与个体互动中获得不断提高。智能的发展性观点为人才培养和智能开发提供了积极的理论基础，专长研究亦赞同这一理念，但至于智能如何得以发展，即智能的生成路径是什么，专长研究有着自己独到的见解。

尽管少有智能结构理论与信息加工理论及智能的生成路径，还是有研究者对这一问题进行了探讨。例如：加德纳的多元智能理论认为，源于遗传的原生模仿能力，在其后的发展过程中，通过符号系统（如阅读文字、唱歌等）来表现；随着智能的发展，每种智能及其符号系统将由第二级的符号系统（如公式、地图、字母、乐谱等）来代表；至成人阶段，智能则通过对理想的职业和业余爱好的追求来表现。加德纳认为，人类智能以符号系统为中介获得发展。但这里存在一个问题，即智能的生成是个体主动参与的过程还是自然生成的过程？总体而言，传统智能理论对智能的生成路径探讨较少，无法指导具体智能开发与训练，使得各种训练方法层出不穷、相互矛盾、效能低下。

专长研究视智能为领域内能力，以此为基础认为：智能的发展是个体主动参与的结果，其生成路径是通过蓄意的练习（ Deliberatepractice ），其发展过程表现为进步性问题解决（ Progressive problem solving ）。

专长研究早期的一项重要结论认为，专家若想在其领域中达到较高智能，至少需要 10 年有意识的训练与经验积累，明确表明了智能发展中有意识参与的重要性。同时专长研究认为，即使在个体有意识的参与下，智能发展也非自动化的。专长研究者提出蓄意的练习以解释智能的生成路径。埃里克森等人认为，蓄意的练习与玩耍性的互动、竞争、工作以及其他形式领域内的经验极为不同，它们是为有效促进个体行为的特殊方面而专门设计（通常是教师设计）的一些活动。埃里克森等人发现，年轻成年专家的表现与个体整个职业生涯中所积累的蓄意练习的量有关。其他一些研究也证实，尽管不同领域中的专长行为在行动上表现各异，但为获得行为改进而精心设计的蓄意的练习起着至关重要的作用。经过蓄意的练习，专家行为的某方面获得进步，能够解决一些原本无法解决的问题，然后积累经验并与蓄意的练习结合，近一步解决更深层次的问题。进步性问题解决过程也正是专家的智能发展过程。

4 、智能的本质：发展中的专长

对人工智能时代的看法范文第5篇

关键词：人工智能 科学方法 创新

中图分类号：TP18 文献标识码：A 文章编号：1007-9416（2015）03-0093-01

人工智能是一门涉及较广的边沿学科，它涉及哲学、数学、心理学、计算机科学等学科，其本身的性质也就需要从事这项工作的人必须要对人工智能所涉及的学科有一定的了解。近几年，我国在人工智能的理论和技术方面都有所突破，但是时代在快速发展着，这就需要人工智能研究不能一直保持原有的状态，还要有所创新，以顺应时代的变迁。

1 人工智能的发展历程

人工智能（Artificial Intelligence）一词最早是在1956年DARTMOUTH学会上提出的，这也就标志着人工智能的诞生。在1969年召开了第一届人工智能联合会议，以后每两年召开一次。1970年出现了《人工智能》国际杂志，推动了人工智能的学术研究及发展，从此以后，人工智能的研究形成热潮，不同人工智能学派的争论非常激烈，这使得人工智能得以进一步发展。而我国的人工智能研究开始的比较晚，在1978年“智能模拟”正式纳入国家计划开展研究。而且现在我国从事人工智能研究工作的除了科技人员还有很多的大学师生，从人工智能的发展前景来看，人工智能定会为我国的现代化建设做出重大贡献。

2 人工智能的突破及科学方法

2.1 对人工智能采用分散式的研究

由于人工智能的研究是很复杂的，很难进行整体性的研究，所以只能把它分成几个层面再各个击破。人类认为结构、功能、行为是系统能力的三个基本要素，所以对于人工智能的研究也可以分为结构模拟、功能模拟、行为模拟三种模拟方式。下面对人工智能的三种模拟方式进行举例分析[1]：

关于结构模拟就以人工神经网络的研究为例。根据结构模式的思想，人工智能的研究人员尝试建造人工的神经网络模拟人类的思维能力。20世纪50年代，出现了感知机，它是用人工神经元电路构造的，这也说明了人工神经网络的智能性。后期也出现人类利用少数神经元的网络设计模拟高等动物反射能力的实例，展现了人工神经网络的发展前景。但是，在人工神经网络的研究中如果想有效的模拟人类的思维能力就需要有接近人类大脑新皮层的人工神经网络，在制造技术上存在很大的困难；如果降低人工神经网络的复杂程度，那它的智能化就会退化。基于功能模式的物理符号系统研究实例。基于功能模拟的物理符号系统的研究也取得了很多的成果，比如：通过图灵测试的血液感染疾病诊断专家系统和战胜过国际象棋世界冠军的“深兰”专家系统。但是专家系统需要拥有专业的高水平知识，但是这种知识的获取是很困难的，不仅如此，就现在的逻辑理论而言，就算获得了必要的知识，也不能支持知识的推理与表达。

2.2 发现了智能生成的核心机制和知识的生态学结构在本能知识下的知识转换

人工智能的定义是非常复杂的，简单来说，人工智能是为了实现人类改善生存与发展条件的目的，面对具体环境时，根据现有的知识去发现问题、确定解决问题的目标；再针对问题和已定的目标获得必要的信息，进而利用所获得的信息和现有的知识想出解决问题的智能方法，并实施这个方法，以达到解决问题的目的。人工智能实际上模拟的是人类智能“确定解决问题的目标、获得信息、找出解决办法”的能力。也就是说可以说，人工智能工作前提是“给出有待解决的问题、知识和明确的目标”，工作内容是“获得必要的信息，进而利用所获得的信息和现有的知识想出解决问题的智能方法”，因为找到解决问题的方法是智能的表现，所以可以理解为，人工智能的核心就是在给定条件的制约下信息知识的智能转换。在这种方法的引导下就可以建立人工智能新的机制模拟方法了。

我们已经发现人工智能的核心机制是：信息知识的智能转换，也就是说，信息和知识在人工智能的研究中发挥着很重要的作用。研究发现，知识并不是固定不变的，它具有自己的生态学结构。在本能和外界信息的刺激下，人类不断的学习并不成熟的经验知识，然后根据自己本身的理解和思考把经验知识变成规范知识最后成为常识性知识。发现知识的生态学结构不只是可以加深对知识的理解，还拓展了人工智能的研究视野，对人工智能的研究有着很重要的意义[2]。

2.3 把智能生成的机制与知识的生态学结构相结合

把智能生成的核心机制与知识的生态学结构相结合建立新的模拟方法，就会发现一直处在独立发展的结构模拟、功能模拟、行为模拟都是机制模拟方法的特例。比如：结构模拟可以说是，信息与经验知识的经验型智能转换；功能模拟就是把信息与规范知识的规范型智能转换；行为模拟是信息与常识性知识的智能转换，而且经验知识、规范知识、常识知识之间在机制模拟中是相继环节，所以结构模拟、功能模拟、行为模拟也应是机制模拟中的相继环节[3]。在“以信息观、系统观、机制观为主要标志的系统科学方法论”的观念下，原来看似无关的人工智能的三种模拟方式，竟然有着相互的关系，把原来看不到的本质给展示出来，就是科学方法的厉害之处。

3 结语

通过研究发现，在人工智能的模拟研究中一直处在独立发展的结构模拟、功能模拟、行为模拟都是机制模拟方法的特例。这也就说明智能生成的机制与知识的生态学结构的结合是人工智能研究的统一理论和方法。这一结果为人工智能的发展开辟了一条新的道路，人工智能的研究的这一突破主要依靠科学方法的创新。所以，在今后的人工智能研究方面应注重科学方法的研究、应用和创新，以使人工智能研究事业在未来的发展道路上越走越远。

参考文献

[1]钟义信.人工智能的突破与科学方法的创新[J].模式识别与人工智能，2012（3）：456-461.